[发明专利]一种面向深度学习的可重构处理器运算单元

权利要求书

1.一种面向深度学习的可重构处理器运算单元，其特征在于，包括控制器（1）、存储器（2）、选择输入器（3）、第一查找表（4）、第二查找表（5）、乘法器（6）、最大值池化模块（7）、平均值池化模块（8）、激活函数（9）、加法器（10）和选择输出器（11）；其中，

控制器（1）与存储器（2）、选择输入器（3）、第一查找表（4）和第二查找表（5）相连；乘法器（6）与加法器（10）相连；选择输出器（11）与最大值池化模块（7）、平均值池化模块（8）、激活函数（9）、加法器（10）、第一查找表（4）和第二查找表（5）相连；第一查找表（4）用于实现sigmoid非线性函数；第二查找表（5）用于实现Tanh非线性函数；

控制器（1）与外部总线连接，用于接受总线的命令，同时发给存储器（2）、选择输入器（3）、第一查找表（4）及第二查找表（5）命令和数据；

选择输入器（3）与外部控制单元连接，接受外部控制单元命令，同时选择计算类型，最大值池化、平均值池化或者激活函数；最大值池化模块（7）用于接收选择输入器（3）中的数据做最大值池化运算；平均值池化模块（8）用于接收选择输入器（3）中的数据做平均值池化运算；激活函数（9）用于接收选择输入器（3）中的数据做ReLU函数计算；

当前网络为CNN时，控制器（1）将输入数据定位到存储器（2）和选择输入器，选择输入器对输入的数据通过激活函数（9）激活，或者通过最大池化模块（7）进行最大池化，或通过平均池化模块（8）进行平均池化；存储器（2）输出乘法器（6）所需的数据，并经过加法器（10）实现CNN中的乘加运算，以此实现CNN网络的运算；

当网络为RNN类型时，控制器（1）将输入数据定位到存储器（2）、第一查找表（4）和第二查找表（5），存储器（2）及乘法器（6）和加法器（10）实现RNN类型网络的乘加运算；对输入的数据进行激活操作时，控制器（1）选择第一查找表（4）进行sigmoid函数激活或选择第二查找表（5）进行Tanh函数激活，以此实现RNN类型网络的运算。

2.根据权利要求1所述的一种面向深度学习的可重构处理器运算单元，其特征在于，存储器（2）用于存储乘法器（6）中使用的乘数和被乘数，乘法器（6）用于接收存储器（2）中的数据，实现乘法运算。

3.根据权利要求1所述的一种面向深度学习的可重构处理器运算单元，其特征在于，加法器（10）用于接收乘法器（6）的输出结果，和寄存器中的数据进行累加，然后再存入寄存器中。

4.根据权利要求1所述的一种面向深度学习的可重构处理器运算单元，其特征在于，选择输出器（11）与外部控制单元连接，用于根据外部控制单元的命令，选择将最大值池化模块（7）、平均值池化模块（8）、激活函数（9）、加法器（10）、第一查找表（4）、第二查找表（5）中的一个结果输出。